BP神經(jīng)網(wǎng)絡在風機偏航預測中的應用

劉宇童 付 樂 左瑞帆 劉瑞基 楊雨奇

（齊魯工業(yè)大學（山東省科學院） 山東·濟南 250353）

0 引言

傳統(tǒng)的偏航方法根據(jù)偏航角誤差及偏航延時時間共同控制偏航速率，但由于硬件的限制，偏航系統(tǒng)無法跟蹤實時風向，從而存在對風不準、偏航頻次多和無效偏航等問題，大大降低了風能利用率。為了解決上述問題，文獻[1]利用爬山算法尋找風電機組輸出功率極大值，根據(jù)偏航誤差角與電機功率關(guān)系控制電機偏航以提高對風精度。但爬山算法對參數(shù)有較強的依賴，容易出現(xiàn)結(jié)果時好時壞的現(xiàn)象。文獻[2]提出了一種基于MOS方法的風向預測方案，對風矢量進行合成預測，使用此方法得到的預測結(jié)果較好，但是此模型對氣象數(shù)據(jù)要求嚴格。

風向的變化具有很強的隨機性、不確定性和不穩(wěn)定性，是一個復雜的非線性數(shù)據(jù)。采用誤差反向傳播、利用非線性可微分函數(shù)進行權(quán)值訓練的BP神經(jīng)網(wǎng)絡，能夠?qū)崿F(xiàn)任意精度內(nèi)表達復雜的非線性映射而不需要建立一個精確的數(shù)學模型[3]。因此，本文選用BP神經(jīng)網(wǎng)絡進行偏航預測，采用實際測量的風向和風速數(shù)據(jù)，來預測風機是否需要偏航。

1 總體系統(tǒng)設計

總體系統(tǒng)設計如圖1所示。其中判斷是否進行偏轉(zhuǎn)的條件為：二級風及二級風以下不使偏航裝置偏轉(zhuǎn)，以保證經(jīng)濟效益；二級風以上、十級風以下使電機偏轉(zhuǎn)實現(xiàn)風電機正對風向；十級風以上時，風電機偏轉(zhuǎn)到與風向平行的方向，以保證風電機使用安全。

圖1：總體系統(tǒng)設計示意圖

本文使用某地2011年所測風向與風速歷史數(shù)據(jù)來模擬上圖中風速計及風向標的部分測量數(shù)據(jù)，為進一步探究風向及風速隨季節(jié)變化規(guī)律，使用風向玫瑰圖（如圖2所示）對數(shù)據(jù)進行對比分析。圖中ABCD分別代表春夏秋冬，0-330表示風由北開始的12個方向，5.0-25.0表示風速，單位為米/秒。從圖中可以直觀的看出，不同方向的來風頻率和風向在不同季節(jié)的差異性，考慮到季節(jié)對風向的影響比較明顯，為提高預測精度，將季節(jié)作為除風向和風速之外的第三個特征。

圖2：四級季風向玫瑰圖

2 BP神經(jīng)網(wǎng)絡的優(yōu)化

BP神經(jīng)網(wǎng)絡是利用非線性可微分函數(shù)進行權(quán)值訓練的多層網(wǎng)絡，通常使用梯度下降算法，這種學習算法會出現(xiàn)網(wǎng)絡收斂速度較慢、局部極小值等問題[4]。針對這些問題，本文選用LM算法對其進行優(yōu)化。

LM算法是介于牛頓算法與梯度下降算法之間的一種非線性優(yōu)化方法?；谡`差不斷減小原則，通過不斷調(diào)整網(wǎng)絡權(quán)值及閾值，從而達到最優(yōu)目標[5]。不但能夠大大加快BP神經(jīng)網(wǎng)絡收斂速度，還可以減小代價函數(shù)陷入局部最小值的機率。LM算法公式為

式中：J為雅可比矩陣，為梯度下降步長，I為標準單位矩陣，e為誤差向量。

3 基于BP神經(jīng)網(wǎng)絡的風機偏航實際應用

3.1 訓練集與測試集數(shù)據(jù)選取

本文使用2011年某地每隔十五分鐘所測相關(guān)風向及風速數(shù)據(jù)，將一年的數(shù)據(jù)分為春夏秋冬四個部分，并從每個部分中抽取三分之二數(shù)據(jù)作為訓練集，剩余三分之一數(shù)據(jù)作為測試集。

3.2 創(chuàng)建BP神經(jīng)網(wǎng)絡

首先確定輸入與輸出矩陣維數(shù)。將風向、風速和季節(jié)作為三個輸入特征，即神經(jīng)網(wǎng)絡輸入為三維矩陣。將風向從北開始順時針分為12個不同的方向，使用數(shù)字0-11表示，即神經(jīng)網(wǎng)絡輸出為十二維矩陣。

其次確定網(wǎng)絡層數(shù)，為了更好的擬合非線性函數(shù)，本文使用10層BP神經(jīng)網(wǎng)絡，即中間有8層隱含層。然后根據(jù)上文中提到輸入數(shù)據(jù)與輸出數(shù)據(jù)分別為三維矩陣與十二維矩陣，確定神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù)n=3，輸出層節(jié)點q=12，根據(jù)式（2）（式中a為0-10的常數(shù)），將中間隱含層節(jié)點數(shù)設為8，即p=8。

3.3 訓練BP神經(jīng)網(wǎng)絡并對結(jié)果進行分析

使用matlab軟件編寫神經(jīng)網(wǎng)絡程序。春季算法訓練及測試效果圖如下圖3所示，圖中藍色線為訓練集訓練效果曲線，紅色曲線為測試集測試效果曲線（其他季節(jié)相同）。根據(jù)nntool工具箱計算，迭代次數(shù)設定為93次（迭代次數(shù)為工具箱自行設定，四季不一定相同），迭代87次達到最佳，預測準確率為89.31%。夏季算法訓練及測試效果圖如下圖4所示，設置訓練次數(shù)為64次，經(jīng)過58次訓練系統(tǒng)的誤差可以達到訓練目標要求，準確率為95.34%。

圖3：春季算法訓練及測試效果圖

圖4：夏季算法訓練及測試效果圖

秋季算法訓練及測試效果圖如圖5所示，設置訓練次數(shù)為64次，經(jīng)過58次訓練系統(tǒng)的誤差可以達到訓練目標要求，準確率為94.37%。冬季算法訓練及測試效果圖如圖6所示，設置訓練次數(shù)為51次，經(jīng)過45次訓練系統(tǒng)的誤差可以達到訓練目標要求，準確率為94.40%。

圖5：秋季算法訓練及測試效果圖

圖6：冬季算法訓練及測試效果圖

通過分析測試結(jié)果可得，平均預測準確率為93.35%，達到訓練要求。本次訓練結(jié)果總體準確率較高，但春季訓練準確率僅有89.31%，仍有不足和改進空間。

4 總結(jié)

針對由于風向改變導致的風電機組發(fā)電效率低的問題，本文提出了一種基于BP神經(jīng)網(wǎng)絡的風機偏航預測系統(tǒng)。BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力和泛化能力[7]，能夠更好的處理非線性的風向數(shù)據(jù)，經(jīng)過LM算法優(yōu)化后，對于風電機組的偏航方向有更快和更精確的預測。